故障预测与健康管理 (PHM) 是一种机器维护方法，它使用实时和历史传感器数据来获得信息和优化维护决策。
作为一种综合方法，故障预测与健康管理结合了以下两个关键概念：
- 故障预测是一种通过设计算法来估计系统或部件剩余使用寿命的方法。该术语通常可与预测性维护互换使用。
- 健康管理是一种全面的维护方法，它运用通过故障预测和诊断算法等方法获得的信息来确保系统的健康和可靠性。
为什么故障预测与健康管理很重要
故障预测与健康管理使设备操作人员和制造商能够：
- 减少设备停机时间：PHM 算法可以帮助检测设备异常，确定故障和失效的根本原因，并在潜在问题发生之前预测它们。
- 优化维护调度：鉴于仅在必要时才安排维护服务，PHM 有助于避免不必要的维护成本。
- 提高运行效率：PHM 有助于识别和降低设备故障风险，延长设备使用寿命并提高整体工作效率。
故障预测与诊断
为了全面了解 PHM，需要区分两种经常并行使用但服务于不同目的的方法：故障预测和诊断。虽然故障预测与健康管理这一术语中没有直接提到诊断，但诊断通常是 PHM 取得成功的关键方法。
诊断主要用于识别、隔离和确定系统中已发生的故障或失败的原因。它解答“哪里出错了？”这一问题。诊断是基于状态的维护 (CBM) 计划的一部分，该计划是一种基于监控设备当前健康状态的 PHM 策略。
另一方面，故障预测具有前瞻性。它用于预测系统或组件不再正常工作的时间。换而言之，它可以预测系统或组件的剩余使用寿命 (RUL)。通过这种预测，可以提前采取维护措施，以防止故障的发生。故障预测需要对机器行为有更深入的了解，但在减少计划外停机时间和维护成本方面成效显著。它解答“何时会出错？”这一问题。
通过将诊断和故障预测结合使用，PHM 让您能够全面了解机器的健康状况，从而作出更明智的维护和运行决策。
基于状态的维护 (CBM) 是一种基于设备当前健康状态的维护策略。了解 CBM 的工作原理以及它与预测性维护的区别。
健康管理
就 PHM 而言，健康管理指的是维护或改进运行系统的健康和可靠性的策略。这种方法整合了各种活动，包括监控、诊断、故障预测、维护规划和执行纠正措施，以解决当前和潜在的问题。健康管理是一种全面的方法，旨在确保系统在其整个生命周期内有效、高效地运行，同时利用数据为维护和运行实践决策提供信息。
有效的健康管理依赖于一个持续的循环过程，其中包括监控、分析和采取相应措施。健康管理从实时监控来自运行设备的传感器数据开始。然后，使用诊断来分析收集的数据以了解当前健康状态，并使用故障预测来预测将来的状态。基于这种分析，可以确定最合适的维护措施，无论是预防性维护、纠正性维护还是预测性维护。
使用 MATLAB 开发故障预测算法
开发故障预测算法是预测性维护计划的目标。要开发故障预测算法，需要从机器或机器群的数据开始。这些数据需要兼顾健康状态和不良状态。MATLAB® 提供了多种故障预测算法开发方法，它们使用了 Predictive Maintenance Toolbox™ 中的剩余使用寿命算法等工具。
故障预测算法开发工作流。
用于故障预测与健康管理的数据
用于开发故障预测算法的数据，例如随时间的推移而采集的温度、压力、电压、噪声或振动测量值，通常来自于机器传感器；然而，由于制定的维护计划通常较为保守，因此，用于故障预测的故障数据可能很难获得。传感器数据可以通过基于物理的模型所生成的故障数据来增强，这些模型是根据机器参数进行调整的。
设计状态指标
全日空航空公司使用 MATLAB 来训练机器学习模型，这些模型部署到数据管道，用以评估实时传感器数据。
故障预测算法的类型
基于可用的数据和知识，设计故障预测算法有多种方法。工程师可能会使用历史数据来设计数据驱动的故障预测算法，而使用领域专业知识来创建基于物理的模型，也可能会将两者结合使用。最终将得到一种故障预测算法，它可以预测下一个故障事件可能发生的时间。
数据驱动的算法
回归模型是一种常用于基本故障预测的机器学习算法。回归模型用于描述一个输出变量（如故障时间）与一个或多个输入变量（状态指标）之间的关系。如果目标是静态地预测资产寿命，例如基于电池的当前状态预测其寿命，则这种方法可能很有用。
用于预测电池循环寿命的简单故障预测回归模型的结果。（请参阅 MATLAB 代码示例。）
然而，许多故障预测应用的目标是根据特定资产以往的运行情况准确预测其发生故障的时间。为此，我们转而采用剩余使用寿命算法。
剩余使用寿命 (RUL) 模型是专用的故障预测算法，如相似性、退化或生存模型。具体使用哪种模型取决于可用的历史数据量。这些模型需要特征工程来设计有代表性的状态指标。随着采集的数据越来越多，它们可以在定义的置信区间内提供持续更新的故障预测。
在 MATLAB 中使用退化模型进行轴承故障预测的 RUL 估计。（请参阅 MATLAB 代码示例。）
深度学习模型尤其擅长自动学习复杂模式并从大量数据中提取特征。深度学习故障预测方法，如长短期记忆网络 (LSTM) 和卷积神经网络 (CNN)，可以处理原始数据，因此，无需领域专业知识，即可设计准确的状态指标和特征。然而，深度学习模型需要大量的数据和计算资源，并且可能缺乏安全关键型设置所需的可解释性。
继续探索此主题
基于物理的模型
在 Simscape 中构建的基于物理的故障泵故障预测模型。（请参阅 Simulink 模型。）
混合算法
状态估计器和辨识模型是将系统的物理学特性与运行数据结合使用的混合算法。在创建描述机器行为的辨识动态模型（例如状态空间模型或自回归模型）时，您可以使用该模型进行故障预测，方法是在时间轴上将模型向前推演，并分析已知状态指标的行为。同样，您可以使用状态估计器（如卡尔曼滤波器）进行故障预测，并预测故障发生时的将来状态。
通常情况下，还可以将数据驱动的方法和基于物理的方法相结合，形成一个稳健的故障预测方法，以利用运行数据和深厚的领域专业知识。例如，通过将自定义的领域特定特征与标准特征工程方法相结合，可以提高 AI 模型的准确度。通过分析您对相关系统和组件拥有的知识的来源，可以提升您的 PHM 方法的可靠性。
部署和运行
PHM 算法只有在部署到真实运行环境中才能发挥作用。实施故障预测算法的方法有多种，具体视需求而定。
算法可以部署在 IT 环境中，例如本地服务器或云平台上。云部署可以按需快速调整，以适应不同的计算和存储需求。对于处理跨多个站点或大型设备群的大量数据和复杂分析，云部署尤其有用。本地部署虽然需要对基础设施进行更多的前期投资，但可以增强对数据安全性和系统性能的控制，而这对于敏感或高度管制行业的应用至关重要。
故障预测算法也可以直接在设备上的嵌入式系统中实现。这种方法支持实时监控和做决策，这大大减少了将数据传输到中央系统进行分析所致的延迟。通过在本地处理数据，嵌入式系统还可以显著减少需要通过网络传输的数据量，从而缓解带宽约束并减少潜在故障点。这尤其适用于需要基于故障预测信息立即采取行动的情况，例如在自动驾驶汽车或关键制造流程中。
不管采用哪种部署策略，实施故障预测算法都需要持续的监控和维护，以确保这些算法随着时间的推移始终保持有效。其中包括更新算法以反映新故障模式或工况的变化，以及执行监控和漂移检测以确保算法始终准确无误。故障预测算法的有效运行需要良好规划的持续支持和维护策略，以确保它们在整个生命周期中持续创造价值。
